I två nya studier, har forskare från University of California at Los Angeles (UCLA) används ett neuralt nätverk för återuppbyggnad av hologram. Både verk som inte bara visar graden av utveckling av holografisk teknik, men lovar också att öppna denna dörr teknik i medicin, där de kommer att kunna åstadkomma en verklig revolution.
I den första studien, vars resultat beskrivs i tidskriften Ljus: Vetenskap & Program, forskare använt en teknik som kallas deep lära sig att skapa bilder av biologiska prover, blodutstryk, PAP test, och en del andra biologiska prover.
Studien visade att användning av neurala nätverk som avsevärt förbättrar och förenklar processen för att skapa holografiska bilder, jämfört med mer traditionella metoder för att skapa liknande bilder som kräver för återuppbyggnaden av testobjektet av den preliminära fysiska beräkningar och manual data entry.
I den andra studien, laget använt deras ram djupt lärande för att förbättra upplösningen och kvaliteten av mikroskopiska bilder som hjälper läkare att avgöra den minsta, knappt märkbara avvikelser i stora prover av blod och vävnad.
Ett av problemen med den nuvarande holografisk metoder är att de gör processen av hologrammet kan förlora en del information, som i sin tur kan orsaka “artefakter” i den slutliga bilden. Ibland kan dessa förluster är mycket betydande. Till exempel, att bilden visas svarta fläckar, där läkare felaktigt kan vara tillväxt av cancerceller. Sådana artefakter är ofta hittas vid radiologiska skannar, särskilt om patienten börjar att röra på sig medan scannern gör sitt jobb.
Ett system, djupt lärande vid University of California har visat den effektivitet med att lösa detta problem. När systemet är korrekt utbildade, neurala nätverk kommer att kunna skilja den rumsliga egenskaper för en riktig bild från alla yttre störningar (vilket ofta är lättare).
Den flerskiktade artificiella neurala nätverk gör djupa lärande algoritmer för att analysera data offline. Tekniken har redan visat sin effektivitet på exempel på översättning av tal från ett språk till ett annat i realtid, ta bilder, och många andra uppgifter som tidigare haft att hantera en person som, förresten, förlorar de algoritmer som även i hastigheten av dessa uppgifter.
Eftersom machine learning systems har förvärvat förmågan att sortera och analysera stora mängder information mycket snabbare än människor, är det inte förvånande att dessa tekniker har börjat visa sitt intresse inom en rad olika områden, såsom medicin. De algoritmer som finner sin tillämpning, till exempel i diagnostisk radiologi, där de visar sin effektivitet i att läsa x-ray bilder, liksom att hitta cancer celler som kan missas av läkare under skanning.
Holografisk teknik anses nu inte som det var innan, när de betraktas snarare ett objekt av science fiction än ett praktiskt verktyg. Nu har forskare är övertygade om att förutsättningarna för denna riktning.
Metoder djupt lärande, i sin tur, kan hjälpa till i denna riktning, sade Aydogan Ozcan, bly forskare. Enligt hans uppfattning är att dessa teknologier kommer att öppna nya möjligheter för visualisering. I den publicerade pressmeddelande från University of California Ozkan noteras att sådan teknik kan även leda till utveckling av en helt ny sammanhängande imaging system. Forskare anser att den praxis som tillämpas vid UCLA kan användas för ytterligare förbättring av teknik och införandet av it-stöd som andra delar av det elektromagnetiska spektrumet, t ex x-ray och optisk strålning.
Om vi förväntar oss en framtid som vi kunde se i science fiction-de senaste 40-50 åren, hologram kommer att spela just inte sista roll. UCLA forskning i denna riktning, i sin tur, inte bara att försöka stödja denna fantastiska teknik, de erbjuder en verklig miljö för dess tillämpning.
AI kommer att hjälpa holografisk teknik för att nå en ny nivå
Nikolai Khizhnyak